3天AI进阶实战营——多目标跟踪

Day0

第一步：创建Notebook模型任务

**step1:**进入BML主页，点击立即使用

🔗：https://ai.baidu.com/bml/

**step2:**点击Notebook，创建“通用任务”

**step3:**填写任务信息。注意这里的信息要填写您所在的企业信息，即归属要选择公司，并输入您自身所在的公司全称。如果您还在上学，请输入学校全称。既不是企业员工也不是学生，归属才能选择个人。

第二步：下载数据集并解压

操作模板下载链接：https://aistudio.baidu.com/aistudio/datasetdetail/129626

1.点击创建好的notebook任务右侧的配置

• 开发语言：Python3.7
• AI框架：PaddlePaddle2.0.0
• 资源规格：GPU V100（限时免费，注意时间）

2.启动运行并打开

3.上传下载的操作模板，上传后点击打开，然后运行第一步下载数据集

运行结束的显示如下图

4.下载完成后运行第二步解压数据集

因为解压时显示的内容较长，翻页不方便，可以点击此处进行折叠

解压完成的显示如下图

Day1

1.打开Notebook

2.在第三步下方的代码框里复制粘贴安装PaddleDetection的代码，然后运行。如果出现unable to access说明网不好，可以重新运行或者切换网络

下载PaddleDetection的代码：

!git clone https://github.com/PaddlePaddle/PaddleDetection.git -b develop

3.安装完成后，点击+Code新增代码框，复制粘贴升级PaddlePaddle的代码，然后运行

升级PaddlePaddle的代码：

!python -m pip install paddlepaddle-gpu==2.1.3.post101 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html

4.升级完成后，再次点击+Code，复制粘贴安装环境依赖的代码，然后运行

安装环境依赖的代码：

%cd /home/work/PaddleDetection

!pip install -r requirements.txt

5.以上任务完成后记得保存并停止运行Notebook，避免浪费免费算力资源

记得截图最后一步操作界面发送至群中完成打卡

打卡截图示例：

Day2

今日的任务是模型训练与评估，有两种方法，请务必把两种方法都了解之后选择其中一种进行操作。

方法一：

1.启动运行并打开Notebook

2.重新升级PaddlePpaddle，仅需把原本代码中的2.1.3改为2.2.2，然后重新运行即可**
**

修改后代码：

!python -m pip install paddlepaddle-gpu==2.2.2.post101 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html

运行完成页面如下图

3.重新安装环境依赖，注意，每次重新启动打开Notebook都需要重新安装环境依赖

运行完成页面如下图

4.配置文件路径

点开PaddleDetection-dataset-mot文件夹，然后右键自行新建两个文件夹，分别命名为：image_lists和visdrone_mcmot_vehicle

然后点开数据集文件夹（visdrone_mcmot_vehicle），把visdrone_mcmot_vehicle.train和visdrone_mcmot_vehicle.val两个文件复制到刚刚创建的PaddleDetection-dataset-mot-image_lists中，再把数据集文件夹中剩下的六个文件复制（剪切）到刚刚创建的visdrone_mcmot_vehicle中

5.模型训练

代码：!python -m paddle.distributed.launch --log_dir=./mcfairmot_dla34_30e_1088x608_visdrone_vehicle/ --gpus 0 tools/train.py -c configs/mot/mcfairmot/mcfairmot_dla34_30e_1088x608_visdrone_vehicle_bytetracker.yml

因为训练的是全量数据，所以训练时间可能会较长，可以自行查看每段运行代码的后半部分，eta：后面的时间即为剩余训练时长，如较长可选择方法二

运行完成页面如下图：

6.模型评估

代码：!CUDA_VISIBLE_DEVICES=0 python tools/eval_mot.py -c configs/mot/mcfairmot/mcfairmot_dla34_30e_1088x608_visdrone_vehicle.yml -o weights=output/mcfairmot_dla34_30e_1088x608_visdrone_vehicle/model_final.pdparams

运行完成页面如下图：

方法二：

方法二是把PaddleDetection更换为已经整理好代码文件的版本，因此不用配置数据集路径，比方法一简单一些。

可以创建一个新的Notebook任务（创建方法见day0操作教程前半部分），然后从本方法的第三步开始操作。

也可以不创建新的Notebook任务，从本方法的第一步开始做。但是需要先删除之前下载好的PaddleDetection和数据集，否则影响操作。

1.启动运行并打开Notebook

2.文件-新建启动页-Notebook

自行点击+Code添加代码框，想要添加注释可以自行点击+Markdown

3.升级PaddlePpaddle

升级代码：

!python -m pip install paddlepaddle-gpu==2.2.2.post101 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html

运行完成页面如下图：

4.下载新的PaddleDetection文件，上传压缩包至Notebook

下载链接：https://aistudio.baidu.com/aistudio/datasetdetail/128844

5.解压PaddleDetection

解压代码：!unzip /home/work/PaddleDetection.zip

运行完成页面如下图

6.安装环境依赖：

代码：%cd /home/work/PaddleDetection

!pip install -r requirements.txt

运行完成页面如下图：

7.模型训练

代码：

!python -m paddle.distributed.launch --log_dir=./mcfairmot_dla34_30e_1088x608_visdrone_vehicle/ --gpus 0 tools/train.py -c configs/mot/mcfairmot/mcfairmot_dla34_30e_1088x608_visdrone_vehicle.yml

因为这个PaddleDetection是整理过的，数据量较小，epoch（训练轮数）也较小，所以训练时间较短。（相应的，精度可能比不上方法一）

运行完成页面如下图：

8.模型评估

代码：!CUDA_VISIBLE_DEVICES=0 python tools/eval_mot.py -c configs/mot/mcfairmot/mcfairmot_dla34_30e_1088x608_visdrone_vehicle.yml -o weights=output/mcfairmot_dla34_30e_1088x608_visdrone_vehicle/model_final.pdparams

运行完成页面如下图：

————————分割线——————————

完成后记得停止运行Notebook，避免浪费免费算力

记得截图最后一步完成打卡哦~

打卡截图示例：

Day3

1.启动运行并打开Notebook

2.重新升级PaddlePpaddle2.2.2，注意，每次重新启动打开Notebook都需要重新升级PaddlePpaddle2.2.2

运行完成页面如下图

3.重新安装环境依赖，注意，每次重新启动打开Notebook都需要重新安装环境依赖

运行完成页面如下图

4.模型预测，预测完成后的视频文件在PaddleDetection/output/mot_results/visdrone_demo.txt，可以自行下载查看

昨天用了方法一，预测代码：!CUDA_VISIBLE_DEVICES=0 python tools/infer_mot.py -c configs/mot/mcfairmot/mcfairmot_dla34_30e_1088x608_visdrone_vehicle_bytetracker.yml -o weights=output/mcfairmot_dla34_30e_1088x608_visdrone_vehicle_bytetracker/model_final.pdparams --video_file=visdrone_demo.mp4 --frame_rate=20 --save_videos

昨天用了方法二，预测代码：

!CUDA_VISIBLE_DEVICES=0 python tools/infer_mot.py -c configs/mot/mcfairmot/mcfairmot_dla34_30e_1088x608_visdrone_vehicle.yml -o weights=output/mcfairmot_dla34_30e_1088x608_visdrone_vehicle/model_final.pdparams --video_file=visdrone_demo.mp4 --frame_rate=20 --save_videos

运行完成后结果页面如下：

5.模型导出

昨天用了方法一，导出代码：!CUDA_VISIBLE_DEVICES=0 python tools/export_model.py -c configs/mot/mcfairmot/mcfairmot_dla34_30e_1088x608_visdrone_vehicle_bytetracker.yml -o weights=output/mcfairmot_dla34_30e_1088x608_visdrone_vehicle_bytetracker/model_final.pdparams

昨天用了方法二，导出代码：

!CUDA_VISIBLE_DEVICES=0 python tools/export_model.py -c configs/mot/mcfairmot/mcfairmot_dla34_30e_1088x608_visdrone_vehicle.yml -o weights=output/mcfairmot_dla34_30e_1088x608_visdrone_vehicle/model_final.pdparams

6.模型推理

昨天用了方法一，推理代码：!CUDA_VISIBLE_DEVICES=0 python deploy/pptracking/python/mot_jde_infer.py --model_dir=output_inference/mcfairmot_dla34_30e_1088x608_visdrone_vehicle_bytetracker/ --video_file=visdrone_demo.mp4 --device=GPU --save_mot_txts

昨天用了方法一，推理代码：

!CUDA_VISIBLE_DEVICES=0 python deploy/pptracking/python/mot_jde_infer.py --model_dir=output_inference/mcfairmot_dla34_30e_1088x608_visdrone_vehicle/ --video_file=visdrone_demo.mp4 --device=GPU --save_mot_txts

运行完成后结果界面如下：

记得截图最后一步完成打卡哦~

打卡截图示例：